-
公开(公告)号：CN116049668A
公开(公告)日：2023-05-02
申请号：CN202211642644.1
申请日：2022-12-20
Applicant: 东南大学
IPC: G06F18/214 , G06N20/00
Abstract: 本发明公开了一种基于机器学习的自动驾驶事故严重程度预测方法，包括如下步骤：(1)获取自动驾驶事故多源数据，对数据进行联合和预处理形成事故集D1；(2)对D1进行稀疏性分析和相关性检验，剔除冗余属性并保留与事故严重程度、事故类型相关性强的变量，建立事故集D2；(3)通过SMOTE算法对D2重采样，均衡事故严重程度、事故类型两种特征的类别比例；(4)导入XGBoost模型，将D2按比例划分为训练集和测试集，利用网格搜索原理调试XGBoost模型超参并得到相对优的超参组合；(5)利用步骤4相对优的超参组合建立基于XGBoost算法的自动驾驶事故严重程度预测模型，在步骤4得到的训练集上训练自动驾驶事故严重程度预测模型并在测试集上验证该模型预测性能。
-
公开(公告)号：CN114639237B
公开(公告)日：2023-02-14
申请号：CN202210155873.4
申请日：2022-02-21
Applicant: 东南大学
IPC: G08G1/01
Abstract: 本申请涉及一种交通安全管理规范实施后的影响效果分析方法。该方法包括：获取实验区域和控制区域；获取各实验区域和各控制区域对应影响道路安全因素的数据，基于Logit模型获得各实验区域和各控制区域的道路安全评分，基于预设匹配方式将实验区域与控制区域进行一对一匹配，确定各实验区域对应的控制区域；根据预设间隔将待分析时间段划分为各时间区段；获取各实验区域在各时间区段的第一交通事故数量，以及各实验区域对应控制区域在各时间区段的第二交通事故数量；采用影响效果分析公式确定实施交通安全管理规范后各时间区段的影响效果；进一步确定实施交通安全管理规范所产生的影响效果，能够准确判断交通安全管理政策实施之后的影响效果。
-
公开(公告)号：CN114241753B
公开(公告)日：2022-11-01
申请号：CN202111465931.5
申请日：2021-12-03
Applicant: 东南大学
Abstract: 本发明公开了一种基于多维度影响因素的道路安全评价方法及系统，涉及道路安全技术领域，基于历史交通数据以及对应的安全影响因素分别构建不同维度下的安全评价模型，并对道路安全风险曝光量进行了弹性分类，通过约束函数链接宏观与微观维度下的安全评价模型并分别判断各安全影响因素的影响机理，具体地，分别针对限定区域范围内的各个子区域，构建并获得安全评价模型，应用安全评价模型，获得影响子区域中各交通道路安全的影响因素，对子区域进行安全评价，通过本发明的技术方案，提供了一种精确、全面、客观、反映影响数据具有真实性的道路安全评价方法，适用范围更广。
-
公开(公告)号：CN115830872B
公开(公告)日：2023-09-01
申请号：CN202211663826.7
申请日：2022-12-23
Applicant: 东南大学
IPC: G08G1/01 , G06Q10/0631 , G06Q50/26
Abstract: 本发明公开了一种判断事故发生对自行车使用弹性影响的方法，通过采集事故样本信息，并根据事故发生的时间划分时间单元，根据事故发生地点划分合理的缓冲区域，采集缓冲区内自行车站点信息，统计各时间单元内各自行车站点的自行车使用量，并进一步统计缓冲区的自行车使用量；根据缓冲区影响因素，结合缓冲区的自行车使用量，构建自行车使用量弹性模型；应用自行车使用量弹性模型，根据影响系数判断个变化量对自行车使用的影响。通过计算单位时间缓冲区内的自行车使用量变化分析事故发生基于各影响因素对自行车使用弹性的影响。该方法可以更好的指导交通管理部门在交通事故发生时如何有效率进行自行车调度。
-
公开(公告)号：CN116522256A
公开(公告)日：2023-08-01
申请号：CN202211740838.5
申请日：2022-12-30
Applicant: 东南大学
IPC: G06F18/2431 , G06F17/16 , G06F16/26 , G06N3/045 , G06N3/08
Abstract: 本发明公开了一种自动驾驶事故分类及严重程度预测的方法，包括如下步骤：获取自动驾驶历年事故，建立自动驾驶事故挖掘与分析数据集；通过显著性检验找出导致自动驾驶事故的主要影响因素，标注每条事故数据的簇类；建立神经网络模型利用卷积神经网络预测自动驾驶事故严重程度；向神经网络输入自动驾驶事故数据集，输出预测的事故分类标签，计算与事故严重程度的匹配率，分析自动驾驶事故发生模式。本发明可以提取影响自动驾驶碰撞事故发生率和严重程度的主要特征，利用神经网络模型可以对海量的事故数据进行准确的事故严重程度预测，有助于交通机构针对不同事故模式制定有针对性的工程对策，提高自动驾驶车辆在实际应用的安全水平。
-
Patent Agency Ranking
公开(公告)号：CN116384793A
公开(公告)日：2023-07-04
申请号：CN202211731796.9
申请日：2022-12-30
Applicant: 东南大学
IPC: G06Q10/0639 , G06F18/23 , G06F18/27
Abstract: 本发明公开了一种消除交通事故样本异质性的道路安全分析方法及系统，涉及道路安全技术领域。具体地，首先根据事故的发生特征将事故进行聚类，分为具有不同属性特征的族群；然后基于事故的安全影响因素对不同的族群进行交通安全建模，应用安全分析模型，获得影响区域中各交通道路安全的影响因素，对区域进行安全评价。通过本发明的技术方案，提供了一种精确、全面、客观、反映影响数据具有真实性的道路安全评价方法，适用范围更广，特别是通过事故特征进行聚类能够扩大事故样本之间的异质性，更好地表征相同影响因素对不同事故族群的影响。
-
公开(公告)号：CN116030627A
公开(公告)日：2023-04-28
申请号：CN202211742626.0
申请日：2022-12-31
Applicant: 东南大学
Abstract: 本发明公开了一种融合预测交通风险变量的道路交通事故分析方法，分别采集研究区域内历史道路交通流量以及人口经济数据构建交通风险变量预测模型，分别获取未来年一定时间段内的交通风险变量即机动车交通流量；然后基于预测的交通风险变量以及区域的安全影响因素构建安全评价模型，应用安全评价模型，获得影响区域中各交通道路安全的影响因素，对区域进行安全评价，通过本发明的技术方案，提供了一种精确、全面、客观、反映影响数据具有真实性的道路安全评价方法，适用范围更广，特别是针对交通风险变量的预测模型能够更好的解决相关数据缺失的局限性。
-
公开(公告)号：CN115830872A
公开(公告)日：2023-03-21
申请号：CN202211663826.7
申请日：2022-12-23
Applicant: 东南大学
IPC: G08G1/01 , G06Q10/0631 , G06Q50/26
Abstract: 本发明公开了一种判断事故发生对自行车使用弹性影响的方法，通过采集事故样本信息，并根据事故发生的时间划分时间单元，根据事故发生地点划分合理的缓冲区域，采集缓冲区内自行车站点信息，统计各时间单元内各自行车站点的自行车使用量，并进一步统计缓冲区的自行车使用量；根据缓冲区影响因素，结合缓冲区的自行车使用量，构建自行车使用量弹性模型；应用自行车使用量弹性模型，根据影响系数判断个变化量对自行车使用的影响。通过计算单位时间缓冲区内的自行车使用量变化分析事故发生基于各影响因素对自行车使用弹性的影响。该方法可以更好的指导交通管理部门在交通事故发生时如何有效率进行自行车调度。
-
公开(公告)号：CN115794801A
公开(公告)日：2023-03-14
申请号：CN202211663796.X
申请日：2022-12-23
Applicant: 东南大学
IPC: G06F16/215 , G06F16/22 , G06F16/26
Abstract: 本发明公开一种挖掘自动驾驶事故致因链式关系的数据分析方法，通过采集自动驾驶事故数据，基于Apriori算法构建事故致因链式关联规则分析模型，对算法进行改进快速生成与事故严重程度有关的关联规则，探究网联自动驾驶车辆不同严重程度的事故成因和发生模式，分析各关键因素之间的相关关系，为安全自动驾驶提供可靠建议。此种方法能够结合严重程度有针对性地获取自动驾驶事故多种影响因素的链式关系组合，获得简洁准确的事故致因链式关系结果，了解影响自动驾驶碰撞事故发生的主要因素，有助于交通机构制定有效的政策措施和工程对策，提高道路运输系统的效率和安全服务水平。
-
公开(公告)号：CN114495501B
公开(公告)日：2022-11-15
申请号：CN202210100208.5
申请日：2022-01-27
Applicant: 东南大学
Abstract: 本发明公开了一种基于组合地理自回归匹配的道路安全分析方法，涉及道路交通安全技术领域，本发明通过采集目标区域上对应各个目标道路的道路信息，各目标道路进行交通事故数量的预测并修正预测结果，利用预测结果对各个目标道路进行道路安全分析，获得各个待优化目标道路的安全优化条件，消除相同目标区域内各个目标道路之间的安全影响，对待优化目标道路进行安全优化。通过本发明的技术方案，能够有效提升交通道路的安全性。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.021 seconds)
